Nov, 2017

ZipNet-GAN：基于生成对抗神经网络推断细粒度移动流量模式

PDF
TL;DR本文提出了一种针对城市移动流量分析的移动流量超分辨率技术，利用深度学习架构为移动网络设计了定制 ZipNet 和 GAN 模型，通过推断出从粗浅测量中获取的狭窄本地流量消耗， 能够唯一捕捉广泛覆盖区域上例行监测的流量量快照和相应消费的高分辨率的 spatio-temporal 关系，并通过真实数据集的实验表明，该方案是应用超分辨率概念大规模移动流量分析的首次尝试，与标准探测相比，精度高并且比现有的数据插值技术更好。
mobile trafficsuper-resolution techniquedeep-learning architecturespatio-temporal relationsurban traffic patterns
发现论文，激发创造
  • 一种使用生成对抗网络进行城市交通噪声快速绘制的方法

    利用生成对抗网络作为替代模型，我们开发了一种快速城市交通噪声地图绘制技术，使城市设计师和规划者能够轻松地预测设计所引起的声学影响的变化。

    May, 2024

  • 使用图神经网络合成交通数据集

    该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距，通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络，利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据，创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件（以图形编码）有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献，从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力，其中包括生成具有各种实体的手动定义位置的图像。

    Dec, 2023

  • UrbanFM: 推断细粒度城市流动

    本文提出了一种基于深度神经网络的 UrbanFM 方法，通过粗粒度的输入生成细粒度的人流分布，进而实时推断城市内的人流情况。在实验中，与七个基线方法相比，UrbanFM 方法在真实数据集上表现出了最先进的状态，在推断细粒度城市流问题上表现得非常有效和高效。

    Feb, 2019

  • 使用生成对抗网络生成合成移动网络

    本文介绍了一种生成城市空间网络的模型：MoGAN，该模型基于生成对抗网络（GANs）算法，通过公共自行车和出租车运动数据集的实验证明 MoGAN 生成的网络真实性优于传统的 Gravity 和 Radiation 模型，可用于数据增强、模拟分析等领域。

    Feb, 2022

  • 使用深度时空神经网络进行长期移动流量预测

    本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络（STN）结构和双 STN 技术（D-STN），通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验，证明了所提出的（D-）STN 方法可以实现高达 10 小时的精确预测，并且与其他流行的预测方法相比，可以获得高达 61% 的更小预测误差。

    Dec, 2017

  • 社交方式：使用 GAN 学习行人轨迹的多模态分布

    本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

    Apr, 2019

  • 再次让图神经网络变得优秀：无拓扑模式的通用集成范式用于交通速度预测

    提出了一种能够保留无拓扑模式的通用模型，通过利用双重交叉尺度变换器框架和蒸馏式学习方法，将现有的基于图神经网络的方法与拓扑自由模式进行集成，从而改进了城市交通速度预测的准确性。

    Jun, 2024

  • 利用混合 RidgeGAN 模型预测印度小型和中型城市的交通指数

    通过 Kernel Ridge 回归和 CityGAN，建立了 RidgeGAN 模型来预测印度小中城市的交通指数，结果显示两步法比现有基准效果更好。

    Jun, 2023

  • 城市细粒度流量推断

    本文提出了一种城市流量监测的方法，通过粗块观测来推断城市的实时和精细化的人流，使用 UrbanFM 模型实现精细流的分布。UrbanPy 模型的逐步推理功能可优化 UrbanFM 的效率和性能。

    Feb, 2020

  • PacketCGAN：使用 CGAN 探索加密流量分类的类别不平衡问题的研究

    本文提出了一种基于条件生成对抗网络（PacketCGAN）的通信数据增强方法，用于处理加密流量分类问题中不同加密应用程序数据不平衡的问题。实验证明，相对于其他数据扩充方法，基于 PacketCGAN 数据集的深度学习加密流量分类器胜过其他方法。

    Nov, 2019